基于「YOLO目标检测 + 多模态AI分析」的增材制造粉末床熔合缺陷智能检测分析预警系统

一、项目演示视频

核心创新点

层缺陷精准检测: 支持凹坑、沟槽、铺粉不足、堆叠等典型 PBF 层缺陷的识别与定位
多模态检测方式: 支持图片、视频、实时摄像头三种检测模式
YOLO模型集成: 集成YOLOv8/YOLO11/YOLO12/YOLO26等先进目标检测模型
智能预警分析: 基于AI的层缺陷检出、严重程度分级与工艺辅助预警
分层权限管理: 支持管理员和普通用户的差异化功能访问
完整工作流程: 从数据集管理到模型管理再到缺陷检测与预警的完整闭环
多模态大模型辅助分析: 使用多模态大模型结合 YOLO 结果与图像进行缺陷解读，并生成工艺与质量改进建议(属于图片识别功能模块)
模型评估系统: 支持上传YOLO格式标签与模型预测对比，自动计算Precision、Recall、mAP50等精度指标，生成GT框与预测框的可视化对比图，支持用户评分和评语
实时预警系统: 支持严重程度分级(可忽略/轻微/中等/严重/紧急)、LLM二次验证、处理状态管理

核心功能模块

用户管理: 支持用户注册、登录、权限管理、个人信息管理等功能
数据集管理: 支持上传ZIP格式YOLO数据集，自动验证数据集结构和完整性
模型管理: 支持创建模型、上传权重、训练过程图片/文件管理、模型发布等
图片检测: 上传粉床/工艺层图片进行缺陷检测，支持CLAHE图像增强、多模态AI分析、工艺改进建议生成、导出Word报告
视频检测: 上传视频进行逐帧检测，支持帧率采样、异步处理、进度查询、关键帧截图、LLM二次验证
实时检测: 使用电脑摄像头进行实时检测，会话级智能去重、LLM二次验证(过滤YOLO误检)、严重程度五级分级(可忽略/轻微/中等/严重/紧急)、处理状态管理(未处理/已处理)、实时通知预警、多维度筛选(用户/严重程度/处理状态/LLM验证状态)
模型评估: 上传图片和标签文件评估模型性能，支持精度指标计算、可视化对比、用户评分筛选

应用场景

链接: https://pan.baidu.com/s/14WAkvXVoNhv_5pP_BAjypA?pwd=6z4j 提取码: 6z4j

完整系统源码
(1)前端源码(web-vue)
(2)后端+算法端源码(web-flask)
(3)模型训练代码(other/model_train/detect)
项目介绍文档
(1)项目概述
(2)项目技术栈
(3)项目目录结构
(4)系统架构图、功能模块图
(5)数据库开发文档
项目启动教程
(1)环境安装教程(视频+文档)
(2)系统启动教程(视频+文档)
粉末床熔合四类缺陷检测数据集（默认 ZIP）
(1)总数据量：12385 张（训练集 9908，验证集 1238，测试集 1239）
(2)训练集：9908张图片 (用于模型训练)
(3)验证集：1238张图片 (用于模型验证和性能调优)
(4)测试集：1239张图片 (用于模型最终性能评估)
(5)检测类别: 4类层缺陷
0: Craters - 凹坑
1: Ditches - 沟槽
2: Insufficient - 铺粉不足
3: Stacking - 堆叠
已经训练好的模型权重，测试集整体精度如下：
(1)precision (精确率): 0.74
(2)recall (召回率): 0.744
(3)mAP50 (IoU阈值0.5时的平均精度): 0.751
(4)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.511